Kabakuş, Abdullah Talha2021-12-012021-12-0120202636-8129https://doi.org/10.35377/saucis.03.03.776573https://app.trdizin.gov.tr/makale/TkRFeU1UVTNOdz09https://hdl.handle.net/20.500.12684/9598Deep learning, a subfield of machine learning, has proved its efficacy on a wide range of applications includingbut not limited to computer vision, text analysis and natural language processing, algorithm enhancement,computational biology, physical sciences, and medical diagnostics by producing results superior to the state-ofthe-art approaches. When it comes to the implementation of deep neural networks, there exist various state-of-theart platforms. Starting from this point of view, a qualitative and quantitative comparison of the state-of-the-artdeep learning platforms is proposed in this study in order to shed light on which platform should be utilized forthe implementations of deep neural networks. Two state-of-the-art deep learning platforms, namely, () Keras, and() PyTorch were included in the comparison within this study. The deep learning platforms were quantitativelyexamined through the models based on three most popular deep neural networks, namely, () Feedforward NeuralNetwork (FNN), () Convolutional Neural Network (CNN), and () Recurrent Neural Network (RNN). Themodels were evaluated on three evaluation metrics, namely, () training time, () testing time, and () predictionaccuracy. According to the experimental results, while Keras provided the best performance for both FNNs andCNNs, PyTorch provided the best performance for RNNs expect for one evaluation metric, which was the testingtime. This experimental study should help deep learning engineers and researchers to choose the most suitableplatform for the implementations of their deep neural networks.Makine öğrenmesinin bir alt alanı olan derin öğrenme, bilgisayarlı görü, metin analizi ve doğal dil işleme, algoritma iyileştirme, hesaplamalı biyoloji, fen bilimleri ve hastalık teşhisi alanlarıyla sınırlı olmamak kaydıyla çok çeşitli uygulamalar üzerindeki etkinliğini en gelişkin yaklaşımlardan daha başarılı sonuçlar üreterek kanıtlamıştır. Derin sinir ağlarının gerçekleştiriminde çeşitli en gelişkin platformlar mevcuttur. Bu noktadan hareketle, derin sinir ağların gerçekleştiriminde hangi platformun kullanılması gerektiğine ışık tutmak amacıyla en gelişkin derin öğrenme platformlarının nitel ve nicel bir karşılaştırması bu çalışmada öne sürülmüştür. Bu çalışma kapsamındaki karşılaştırmaya iki en gelişkin derin öğrenme platformu, isim olarak, () Keras ve () PyTorch dahil edilmiştir. Derin öğrenme platformları en popüler üç derin sinir ağı olan () İleri Beslemeli Sinir Ağı (FNN), () Evrişimli Sinir Ağı (CNN) ve () Tekrarlayan Sinir Ağı (RNN) temelli modeller üzerinden incelenmiştir. Modeller, () eğitim süresi, () test süresi ve () tahmin doğruluğu olmak üzere üç değerlendirme kriteri kullanılarak değerlendirilmiştir. Elde edilen deneysel sonuçlara göre hem FNN hem de CNN’ler için en iyi performansı Keras sağlarken, RNN’ler için bir değerlendirme kriteri (test süresi) dışında en iyi performansı PyTorch sağlamıştır. Bu deneysel çalışma, derin öğrenme mühendisleri ve araştırmacılarının kendi derin öğrenme ağlarının gerçekleştiriminde en uygun platformun seçimi noktasında yardım etmesi gerekmektedir.en10.35377/saucis.03.03.776573info:eu-repo/semantics/openAccess[No Keywords]Article33169182